Aloud — 把語音輸入的引擎換成豆包流式 ASR

為什麼做這個

說話比打字快，但 macOS 內建聽寫對中英混說基本沒用。「用 Python 寫個 retry 裝飾器」這種句子，辨識出來是一堆同音字加錯斷句。我要的很簡單：按一下說話，再按一下出字，注入到任何當前聚焦的輸入框，能聽懂中英混和技術詞，最好再有一個 LLM 順手把明顯的口誤改回來——只改聽錯的，不許它潤色改寫。

yetone 有個開源的 voice-input，選單列互動和文字注入邏輯都現成。問題在引擎：它用 Apple 的 SFSpeechRecognizer，中英混和專業術語恰好是這個引擎的弱項。殼子對，引擎不對。fork 下來換掉。

它是什麼

macOS 選單列小工具。Fn 按一下開始錄音，膠囊浮窗帶即時波形和上字，再按一下停，最終文字注入當前輸入框，原剪貼簿自動恢復。可選一層 LLM 糾錯（豆包 seed lite），預設開，可關。

辨識後端是火山豆包流式語音辨識 2.0，WebSocket 連。純本機觸發，憑證存在本機，不走任何第三方中轉。

實現過程

有意思的部分都在引擎替換上。

火山的流式 ASR 不是 REST，是自訂二進位 WebSocket 協定：4 位元組 header + uint32 payload size + body，大端序，幀類型靠 header 第二位元組的高低位區分（full client request / audio / server response / error）。手寫了一層編解碼（VolcProtocol.swift），最後一個音訊包打特殊 flag 收尾。

音訊管線得改。macOS 輸入節點預設 44.1/48kHz Float32，豆包只吃 16kHz 16bit 單聲道，用 AVAudioConverter 重採樣，200ms 一塊（6400 位元組）往上推。握手沒完成前累積的 buffer 要在握手回呼裡補發，不能丟。

踩得最深的坑：豆包流式 2.0 的 resource id 是 volc.seedasr.sauc.duration，1.0 才是 volc.bigasr.sauc.duration。用錯伺服端直接報 403 not granted，錯誤訊息指向「服務未開通」，真實原因是 resource id 多寫錯一個詞，bigasr 應是 seedasr。endpoint 也得是 bigmodel_async，/bigmodel 只認 1.0。這一個詞調了挺久。

LLM 糾錯那層用豆包 seed lite，關鍵是把 thinking 關掉——開著深度思考糾一句話要 30 秒，關掉 3 秒。prompt 寫死只修明顯語音誤辨識（「配森」→Python、「傑森」→JSON），不許改寫、潤色、刪內容。

狀態收斂用一個序列 queue 把 SpeechEngine 的讀寫和傳送決策全壓到一條線上，teardown 和 removeTap 加冪等 guard。這塊跑了 Codex 審查，修掉幾個重入崩潰和跨執行緒競態的 P1。

它怎麼到你手上

和 marklite 一樣：不掛 GitHub Release。.app 打包成 zip 放 Cloudflare R2，獨立桶掛 aloud-releases.openedon.com，下載頁是本站的一部分。R2 出口流量免費，對單人專案這是目前最便宜的分發管道。

基礎殼子（Apple Speech 版）的原始碼是 yetone 公開的，在 https://github.com/yetone/voice-input-src；豆包引擎這一層是我自己改的。

下載

下載 Aloud for macOS — 僅 Apple Silicon。

用之前要先在火山引擎控制台開通豆包流式語音辨識，把 AppID / Access Token 填進 App 的 Voice Engine Settings。未簽章，首次開啟右鍵選「打開」，或去 系統設定 → 隱私權與安全性 → 仍要打開。還要給麥克風和輔助使用權限——監聽 Fn 鍵和注入文字都需要。

這是個自用工具，早期、未簽章、沒自動更新。能用，但別指望它像成品。出問題 [email protected]。